一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法技术

一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法涉及控制领域。利用辅助变量预测出水BOD的软测量方法解决了过去污水水质监测的参数不便测量、测量周期长、模型稳定性差和造价高等弊端，在一般神经网络模型中引入小世界属性提高了计算精度，提出了基于自适应修剪型前馈小世界神经网络的出水BOD浓度软测量方法，具有实时性好、测量方便、模型稳定等优点。本发明专利技术针对小世界神经网络结构冗杂的缺点，引入了一种自适应l

【技术实现步骤摘要】
一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法

:
[0001]本专利技术是一种基于自适应剪枝前馈小世界神经网络的出水BOD预测方法，旨在实现BOD浓度的实时预测，涉及控制领域，又直接应用于污水处理领域。

技术介绍
:
[0002]生化需氧量(Biochemical Oxygen Demand，BOD)是指在一定条件下，微生物分解存在于水中的可生化降解有机物所进行的生物化学反应过程中所消耗的溶解氧的数量，是评价污水水质、反应水中有机污染物含量的重要综合指标。为了有效控制水体污染，需要对出水BOD浓度进行快速准确的测量。目前BOD测量的方法有稀释与接种法、微生物传感器快速测定法等。稀释与接种法需要5天的测定时间，过程耗时且对温度要求严格，很难做到实时准确的测量。而微生物传感器由于材料昂贵、难以循环使用大大增加了运行成本。因此，如何低成本、高效率地对出水BOD浓度进行检测是污水处理过程面临的难题。
[0003]软测量方法是一种通过搭建模型利用易测得变量实时预测难测变量的间接测量方法，因其易操作性在污水处理领域被广泛应用，是监测污水水质参数的关键性技术。本专利技术设计了一种基于自适应剪枝前馈小世界神经网络的出水BOD浓度软测量方法，实现对出水BOD浓度的预测。

技术实现思路
：
[0004]1、本专利技术需要且能够解决的技术问题：
[0005]本专利技术提出了一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法，对污水处理出水BOD浓度进行预测，解决了污水处理过程出水BOD实时检测难的问题并且提高了其预测精度。
[0006]2、本专利技术具体的技术方案：
[0007]本专利技术提供了一种基于自适应剪枝前馈小世界神经网络的污水处理出水生化需氧量(BOD)软测量方法。该算法包括以下步骤：
[0008]步骤1：数据预处理；
[0009]与出水BOD相关的10个辅助变量作为输入变量，包括：(1)出水总氮浓度；(2)出水氨氮浓度；(3)进水总氮浓度；(4)进水BOD浓度；(5)进水氨氮浓度；(6)出水磷酸盐浓度；(7)生化混合液体悬浮物浓度(MLSS)；(8)生化池溶解氧浓度(DO)；(9)进水磷酸盐浓度；(10)进水COD浓度；按照公式(1)归一化至[
‑
1,1]，输出变量为出水BOD，按照公式(2)归一化至[0,1]：
[0010][0011][0012]其中，F
m
表示第m个辅助变量，O表示输出变量，x
m
和y分别表示归一化后的第m个辅助变量和输出变量；min(F
m
)和max(F
m
)分别表示第m个辅助变量中的最小值和最大值；min(O)和max(O)分别表示输出变量中的最小值和最大值；
[0013]步骤2：设计前馈小世界神经网络模型；
[0014]步骤2.1：构建标准前馈神经网络模型；构造一个L层的规则前馈神经网络；由输入层、输出层和隐含层组成，同层之间的节点没有连接，相邻两层之间的节点两两相连，前一层节点的输出即为后一层节点的输入；定义W和V分别为输入到隐藏层和输出层的连接权重矩阵，对W和V的连接权值进行随机初始化，初始权值设置的取值范围为[
‑
1,1]；
[0015]步骤2.2：设计前馈神经网络重连方式；计算最大可重连边数lmax，引入预定义参数阈值γ，定义重连变数lnew＝γ*lmax，随机选择lnew条边，逐一进行重连，具体重连方式为：断开一个随机选择的神经元的随机连接，并将其重新连接到另一个神经元；如果这两个神经元之间已经存在连接，则取消重连，然后随机选择另一个神经元，直到生成新的连接；这个重新布线过程重复几次，直到重新布线连接的数量达到预定值，得到前馈小世界神经网络结构；
[0016]步骤2.3：设计前馈小世界神经网络模型的拓扑结构；
[0017]前馈小世界模型共有L层，包括输入层、隐含层和输出层，各层的构造公式如下：
[0018]①
输入层：输入层的神经元数目设为10，表示测量的10个辅助变量，输入向量记为表示输入层的第i个输入辅助变量，则第i个神经元的输出计算为：
[0019][0020]②
隐含层:第l(1<l<L)层第j个隐含神经元的输出表示为：
[0021][0022]式中n
s
表示第s层(1≤s≤l
‑
1)的神经元数量，表示第s层神经元i直接连接l层神经元j的连接权值，表示第s层第i个神经元的输出，隐含神经元的激活函数f(
·
)是sigmoid函数；
[0023]③
输出层：输出层包含一个输出神经元，输出神经元o的输出为前几层神经元输出的线性加权和，定义为：
[0024][0025]其中代表神经网络第l层(1≤l≤L
‑
1)神经元j与输出神经元之间的连接权值，代表第l层(1≤l≤L
‑
1)神经元j的输出，n
l
代表神经网络第l层的神经元个数；
[0026]步骤3：设计前馈小世界网络自适应剪枝算法；
[0027]步骤3.1：定义自适应前馈小世界神经网络的代价函数E(W,V)，公式如下：
[0028][0029]其中n
l
和n
s
分别代表神经网络第l层和s层的神经元个数，表示平方误差函数，g(x)是一个在原点附近近似x的光滑函数，分别定义如下：
[0030][0031][0032]其中，公式(7)中W和V分别是输入层到隐含层和输出层的连接权重矩阵，P是训练样本的数量，d
p
和分别是第p个样本的期望输出和实际输出，公式(8)中a的取值范围是[0,0.01]，λ是惩罚系数，初始化为0；
[0033]步骤3.2：初始化训练迭代次数为t＝0、最大迭代次数t
max
和期望训练RMSE值即rmsed，其取值范围是(0,0.05]；
[0034]步骤3.3：训练迭代步数t增加1；当t<t
max
时执行步骤3.4到3.6，对算法参数进行更新，否则跳至步骤3.7；
[0035]步骤3.4：采用批量反向传播学习算法修正误差函数，得到的连接权值迭代更新公式如下：
[0036]V(t+1)＝V(t)+ΔV(t)
ꢀꢀꢀ
(9)
[0037]W(t+1)＝W(t)+ΔW(t)
ꢀꢀꢀ
(10)
[0038]式中，V(t+1)和V(t)分别代表第t+1次迭代和第t次迭代的输出层权值，W(t+1)和W(t)分别代表第t+1次迭代和第t次迭代的隐含层权值；其中输出层权值变化量ΔV(t)和隐含层输出变化量ΔW(t)定义如下：
[0039][0040][0041]其中，
[0042][0043][0044]其中，表示第t次迭代的神经网络中第l本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法,其特征在于，包括以下步骤：步骤1：数据预处理；与出水BOD相关的10个辅助变量作为输入变量，包括：(1)出水总氮浓度；(2)出水氨氮浓度；(3)进水总氮浓度；(4)进水BOD浓度；(5)进水氨氮浓度；(6)出水磷酸盐浓度；(7)生化混合液体悬浮物浓度(MLSS)；(8)生化池溶解氧浓度(DO)；(9)进水磷酸盐浓度；(10)进水COD浓度；按照公式(1)归一化至[
‑
1,1]，输出变量为出水BOD，按照公式(2)归一化至[0,1]：1,1]，输出变量为出水BOD，按照公式(2)归一化至[0,1]：其中，F
m
表示第m个辅助变量，O表示输出变量，x
m
和y分别表示归一化后的第m个辅助变量和输出变量；min(F
m
)和max(F
m
)分别表示第m个辅助变量中的最小值和最大值；min(O)和max(O)分别表示输出变量中的最小值和最大值；步骤2：设计前馈小世界神经网络模型；步骤2.1：构建标准前馈神经网络模型；构造一个L层的规则前馈神经网络；由输入层、输出层和隐含层组成，同层之间的节点没有连接，相邻两层之间的节点两两相连，前一层节点的输出即为后一层节点的输入；定义W和V分别为输入到隐藏层和输出层的连接权重矩阵，对W和V的连接权值进行随机初始化，初始权值设置的取值范围为[
‑
1,1]；步骤2.2：设计前馈神经网络重连方式；计算最大可重连边数lmax，引入预定义参数阈值γ，定义重连变数lnew＝γ*lmax，随机选择lnew条边，逐一进行重连，具体重连方式为：断开一个随机选择的神经元的随机连接，并将其重新连接到另一个神经元；如果这两个神经元之间已经存在连接，则取消重连，然后随机选择另一个神经元，直到生成新的连接；这个重新布线过程重复几次，直到重新布线连接的数量达到预定值，得到前馈小世界神经网络结构；步骤2.3：设计前馈小世界神经网络模型的拓扑结构；前馈小世界模型共有L层，包括输入层、隐含层和输出层，各层的构造公式如下：
①
输入层：输入层的神经元数目设为10，表示测量的10个辅助变量，输入向量记为输入层：输入层的神经元数目设为10，表示测量的10个辅助变量，输入向量记为表示输入层的第i个输入辅助变量，则第i个神经元的输出计算为：
②
隐含层:第l(1<l<L)层第j个隐含神经元的输出表示为：式中n
s
表示第s层(1≤s≤l
‑
1)的神经元数量，表示第s层神经元i直接连接l层神经元j的连接权值，表示第s层第i个神经元的输出，隐含神经元的激活函数f(
·
)是
sigmoid函数；
③
输出层：输出层包含一个输出神经元，输出神经元o的输出为前几层神经元输出的线性加权和，定义为：其中代表神经网络第l层(1≤l≤L
‑
1)神经元j与输出神经元之间的连接权值，代表第l层(1≤l≤L
‑
1)神经元j的输出，n
l
代表神经网络第l层的神经元个数；步骤3：设计前馈小世界网络自适应剪枝算法；步骤3.1：定义自适应前馈小世界神经网络的代价函数E(W,V)，公式如下：其中n
l
和n
s
分别代表神经网络第l层和s层的神经元个数，表示平方误差函数，g(x)是一个在原点附近近似x的光滑函数，分别定义如下：(x)是一个在原点附近近似x的光滑函数，分别定义如下：其中，公式(7)中W和V分别是输入层...

【专利技术属性】
技术研发人员：李文静，陈璨，褚明慧，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：